CN116819559A - 一种基于双激光雷达数据的站房监测方法和*** - Google Patents
一种基于双激光雷达数据的站房监测方法和*** Download PDFInfo
- Publication number
- CN116819559A CN116819559A CN202311082397.9A CN202311082397A CN116819559A CN 116819559 A CN116819559 A CN 116819559A CN 202311082397 A CN202311082397 A CN 202311082397A CN 116819559 A CN116819559 A CN 116819559A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- cloud data
- data
- monitored
- value
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 38
- 238000000034 method Methods 0.000 title claims abstract description 31
- 230000004927 fusion Effects 0.000 claims abstract description 34
- 239000011159 matrix material Substances 0.000 claims description 37
- 230000009977 dual effect Effects 0.000 claims description 23
- 239000011241 protective layer Substances 0.000 claims description 12
- 238000005516 engineering process Methods 0.000 description 10
- 238000013473 artificial intelligence Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000007500 overflow downdraw method Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/87—Combinations of systems using electromagnetic waves other than radio waves
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/88—Lidar systems specially adapted for specific applications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
- G06Q50/265—Personal security, identity or safety
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Electromagnetism (AREA)
- Tourism & Hospitality (AREA)
- Remote Sensing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Data Mining & Analysis (AREA)
- Radar, Positioning & Navigation (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Security & Cryptography (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Optical Radar Systems And Details Thereof (AREA)
Abstract
本申请提供的一种基于双激光雷达数据的站房监测方法和***,具体应用于数据融合领域,包括:获取待监测站房的参考结构模型,并提取参考结构数值;通过设置的双激光雷达采集第一点云数据和第二点云数据;融合第一点云数据和第二点云数据,得到实际结构模型,并提取实际结构数值;将参考结构模型和实际结构模型、将参考结构数值和实际结构数值分别进行比较,确定安全状态。由此提高结构识别精度,优化站房安全监测的效率和准确性。
Description
技术领域
本申请涉及数据融合领域,更具体地,涉及一种基于双激光雷达数据的站房监测方法和***。
背景技术
现有技术中通常利用单激光雷达进行站房的安全检测,然而这种方式所采集的点云数据精度较低。因此,如何提高站房安全检测的准确性和效率,是一项亟待解决的技术问题。
发明内容
本发明实施例的目的在于提供一种基于双激光雷达数据的站房监测方法和***,设置双激光雷达采集点云数据,并通过改进的数据融合技术实现站房的结构性安全监测,由此提高站房安全监测的效率和准确性。具体技术方案如下:
在本发明实施例的第一方面,提供一种基于双激光雷达数据的站房监测方法,包括:
获取待监测站房的参考结构模型;
基于所述参考结构模型提取参考结构数值;
所述待监测站房设置有双激光雷达,通过所述双激光雷达采集所述待监测站房的第一点云数据和第二点云数据;
融合所述第一点云数据和所述第二点云数据,得到所述待监测站房的实际结构模型;
基于所述实际结构模型得到所述待监测站房的实际结构数值;
将所述参考结构模型和所述实际结构模型、将所述参考结构数值和所述实际结构数值分别进行比较,确定所述待监测站房的安全状态。
可选地,所述参考结构数值包括参考尺寸值和参考保护层厚度值;所述实际结构数值包括实际尺寸值和实际保护层厚度值。
可选地,所述待监测站房设置有双激光雷达,包括:
在所述待监测站房前方的左下角设置一激光雷达;
在所述待监测站房后方的右上角设置一激光雷达;
其中,所述双激光雷达与所述待监测站房之间的距离为预设距离。
可选地,所述融合所述第一点云数据和所述第二点云数据,得到所述待监测站房的实际结构模型,包括:
将所述第一点云数据和所述第二点云数据融合,得到融合点云数据;
根据所述融合点云数据构建所述待监测站房的实际结构模型。
可选地,所述将所述第一点云数据和所述第二点云数据融合,得到融合点云数据,包括:
提取所述第一点云数据和所述第二点云数据的重合区域和非重合区域;
融合所述重合区域的点云数据,得到第一子融合数据;
融合所述非重合区域的点云数据,得到第二子融合数据;
确定所述重合区域和所述非重合区域连接处的边界特征;
基于所述边界特征,融合所述重合区域和所述非重合区域连接处得到第三子融合数据;
根据所述第一子融合数据、所述第二子融合数据以及所述第三子融合数据,得到融合点云数据。
可选地,所述融合所述重合区域的点云数据,得到第一子融合数据,包括:
选取所述双激光雷达之间连线的中点作为中心点,建立三维坐标系,包括x轴、y轴和z轴;
获取所述三维坐标系中x轴和y轴构成的第一平面;
确定所述双激光雷达相对于所述第一平面的第一角度和第二角度;
根据所述第一角度,确定所述第一点云数据相对于所述三维坐标系的第一投影矩阵;
根据所述第二角度,确定所述第二点云数据相对于所述三维坐标系的第二投影矩阵;
基于所述第一投影矩阵和所述第二投影矩阵融合所述重合区域的点云数据,得到第一子融合数据;公式如下:
其中,表示第一角度,/>表示第二角度,α、β表示误差项,/>表示第一投影矩阵,/>表示第二投影矩阵,/>表示重合区域的点云数据,γ表示融合参数。
可选地,所述融合所述非重合区域的点云数据,得到第二子融合数据,包括:
获取所述第一子融合数据的中心点;
根据所述中心点建立基准坐标系,包括x轴、y轴和z轴;
根据所述基准坐标系融合所述非重合区域的点云数据,得到第二子融合数据。
可选地,所述将所述参考结构模型和所述实际结构模型、将所述参考结构数值和所述实际结构数值分别进行比较,确定所述待监测站房的安全状态,包括:
将所述参考结构模型与所述实际结构模型输入结构比较模型,得到模型相关度;
将所述参考结构数值与所述实际结构数值进行数值比较,得到偏差值;
根据所述模型相关度和所述偏差值确定所述待监测站房的安全状态。
可选地,所述根据所述模型相关度和所述偏差值确定所述待监测站房的安全状态,包括:
若所述模型相关度大于等于预设第一阈值,且所述偏差值小于预设第二阈值,则所述待监测站房处于安全状态;
若所述模型相关度小于预设第一阈值,且所述偏差值小于预设第二阈值,则所述待监测站房处于存在隐患状态;
若所述模型相关度大于等于预设第一阈值,且所述偏差值大于等于预设第二阈值,则所述待监测站房处于次危险状态;
若所述模型相关度小于预设第一阈值,且所述偏差值大于等于预设第二阈值,则所述待监测站房处于危险状态。
在本发明实施例的又一方面,提供一种基于双激光雷达数据的站房监测***,包括:
参考数据获取模块,用于获取待监测站房的参考结构模型;
基于所述参考结构模型提取参考结构数值;
数据采集模块,用于所述待监测站房设置有双激光雷达,通过所述双激光雷达采集所述待监测站房的第一点云数据和第二点云数据;
实际数据获取模块,用于融合所述第一点云数据和所述第二点云数据,得到所述待监测站房的实际结构模型;
基于所述实际结构模型得到所述待监测站房的实际结构数值;
状态监测模块,用于将所述参考结构模型和所述实际结构模型、将所述参考结构数值和所述实际结构数值分别进行比较,确定所述待监测站房的安全状态。
可选地,所述参考结构数值包括参考尺寸值和参考保护层厚度值;所述实际结构数值包括实际尺寸值和实际保护层厚度值。
可选地,所述待监测站房设置有双激光雷达,包括:
在所述待监测站房前方的左下角设置一激光雷达;
在所述待监测站房后方的右上角设置一激光雷达;
其中,所述双激光雷达与所述待监测站房之间的距离为预设距离。
可选地,所述融合所述第一点云数据和所述第二点云数据,得到所述待监测站房的实际结构模型,包括:
将所述第一点云数据和所述第二点云数据融合,得到融合点云数据;
根据所述融合点云数据构建所述待监测站房的实际结构模型。
可选地,所述将所述第一点云数据和所述第二点云数据融合,得到融合点云数据,包括:
提取所述第一点云数据和所述第二点云数据的重合区域和非重合区域;
融合所述重合区域的点云数据,得到第一子融合数据;
融合所述非重合区域的点云数据,得到第二子融合数据;
确定所述重合区域和所述非重合区域连接处的边界特征;
基于所述边界特征,融合所述重合区域和所述非重合区域连接处得到第三子融合数据;
根据所述第一子融合数据、所述第二子融合数据以及所述第三子融合数据,得到融合点云数据。
可选地,所述融合所述重合区域的点云数据,得到第一子融合数据,包括:
选取所述双激光雷达之间连线的中点作为中心点,建立三维坐标系,包括x轴、y轴和z轴;
获取所述三维坐标系中x轴和y轴构成的第一平面;
确定所述双激光雷达相对于所述第一平面的第一角度和第二角度;
根据所述第一角度,确定所述第一点云数据相对于所述三维坐标系的第一投影矩阵;
根据所述第二角度,确定所述第二点云数据相对于所述三维坐标系的第二投影矩阵;
基于所述第一投影矩阵和所述第二投影矩阵融合所述重合区域的点云数据,得到第一子融合数据;公式如下:
其中,表示第一角度,/>表示第二角度,α、β表示误差项,/>表示第一投影矩阵,/>表示第二投影矩阵,/>表示重合区域的点云数据,γ表示融合参数。
可选地,所述融合所述非重合区域的点云数据,得到第二子融合数据,包括:
获取所述第一子融合数据的中心点;
根据所述中心点建立基准坐标系,包括x轴、y轴和z轴;
根据所述基准坐标系融合所述非重合区域的点云数据,得到第二子融合数据。
可选地,所述状态监测模块进一步用于:
将所述参考结构模型与所述实际结构模型输入结构比较模型,得到模型相关度;
将所述参考结构数值与所述实际结构数值进行数值比较,得到偏差值;
根据所述模型相关度和所述偏差值确定所述待监测站房的安全状态。
可选地,所述根据所述模型相关度和所述偏差值确定所述待监测站房的安全状态,包括:
若所述模型相关度大于等于预设第一阈值,且所述偏差值小于预设第二阈值,则所述待监测站房处于安全状态;
若所述模型相关度小于预设第一阈值,且所述偏差值小于预设第二阈值,则所述待监测站房处于存在隐患状态;
若所述模型相关度大于等于预设第一阈值,且所述偏差值大于等于预设第二阈值,则所述待监测站房处于次危险状态;
若所述模型相关度小于预设第一阈值,且所述偏差值大于等于预设第二阈值,则所述待监测站房处于危险状态。
有益效果
(1)本发明在待监测站房前方的左下角设置和后方的右上角分别设置一激光雷达,用于采集完整的站房点云数据,通过该设置方式能够采集完整准确的点云数据。
(2)本发明获取待监测站房的参考结构模型,并提取参考结构数值;通过设置的双激光雷达采集第一点云数据和第二点云数据;融合第一点云数据和第二点云数据,得到实际结构模型,并提取实际结构数值;将参考结构模型和实际结构模型、将参考结构数值和实际结构数值分别进行比较,确定安全状态。由此提高站房安全监测的效率和准确性。
(3)本发明进一步将第一点云数据和第二点云数据划分为重合区域、非重合区域和连接区域,对这三个区域进行不同的融合处理,包括对于重合区域,选取双激光雷达之间连线的中点作为中心点,建立三维坐标系;获取双激光雷达相对于三维坐标系x轴和y轴构成第一平面的第一角度和第二角度,进而分别确定投影矩阵,采用全新的融合公式得到第一子融合数据;对于非重合区域,第一子融合数据的基础上建立基准坐标系,以融合非重合区域的点云数据,得到第二子融合数据;对于连接区域,确定重合区域和非重合区域连接处的边界特征得到第三子融合数据。通过该方式能够提高数据融合的效率和精度。
(4)引入模型相关度和偏差值两个因子作为安全状态的判断基准,同时将安全状态划分为安全、存在隐患、次危险和危险状态四个等级。由此不仅能够提高***对于状态判断的准确性,同时***能够对站房的结构安全性进行更精确合理的预警。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的一种基于双激光雷达数据的站房监测方法的流程图;
图2是本申请实施例提供的数据融合方法的流程图;
图3是本申请实施例提供的一种基于双激光雷达数据的站房监测***的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
本申请实施例提供了一种基于双激光雷达数据的站房监测方法和***,包括:获取待监测站房的参考结构模型,并提取参考结构数值;通过设置的双激光雷达采集第一点云数据和第二点云数据;融合第一点云数据和第二点云数据,得到实际结构模型,并提取实际结构数值;将参考结构模型和实际结构模型、将参考结构数值和实际结构数值分别进行比较,确定安全状态。由此提高站房安全监测的效率和准确性。
该基于双激光雷达数据的站房监测方法和***,具体可以集成在电子设备中,该电子设备可以为终端、服务器等设备。其中,终端可以为手机、平板电脑、智能蓝牙设备、笔记本电脑、或者个人电脑(Personal Computer,PC)等设备;服务器可以是单一服务器,也可以是由多个服务器组成的服务器集群。
可以理解的是,本实施例的该基于双激光雷达数据的站房监测方法和***可以是在终端上执行的,也可以是在服务器上执行,还可以由终端和服务器共同执行的。以上举例不应理解为对本申请的限制。
人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用装置。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
近年来,随着人工智能技术研究和进步,人工智能技术在多个领域得到广泛应用,本公开实施例提供的方案涉及计算机视觉技术、人工智能的机器学习/深度学习等技术,具体通过如下实施例进行说明:
实施例一
请参阅图1,图1示出根据本公开一实施例提供的基于双激光雷达数据的站房监测方法的流程图,该方法具体包括如下步骤:
步骤S110、获取待监测站房的参考结构模型。
其中,站房在设计建造的时候,会根据气候、环境、人流量、修建意图等进行结构设计,因此本实施例中可以获得待监测站房的参考结构模型。
步骤S120、基于所述参考结构模型提取参考结构数值。
具体地,参考结构数值可以包括参考尺寸值和参考保护层厚度值。
步骤S130、待监测站房设置有双激光雷达,通过所述双激光雷达采集所述待监测站房的第一点云数据和第二点云数据。
具体地,由于单激光雷达采集的点云数据存在局限性,因此在待监测站房前方的左下角设置一激光雷达;在待监测站房后方的右上角设置一激光雷达;所述双激光雷达与所述待监测站房之间的距离为第一预设距离。其中,可以根据站房的体积和具体监测需求确定第一预设距离,在此不做具体限定。
可选地,还可以在待监测站房正前方设置一激光雷达,在待监测站房正后方设置一激光雷达;所述双激光雷达与所述待监测站房之间的距离为第二预设距离。其中,可以根据站房的体积和具体监测需求确定第二预设距离,在此不做具体限定。
通过该多角度的激光雷达设置方式能够采集完整准确的点云数据。
步骤S140、融合所述第一点云数据和所述第二点云数据,得到所述待监测站房的实际结构模型。
具体地,将所述第一点云数据和所述第二点云数据融合,得到融合点云数据;根据所述融合点云数据构建所述待监测站房的实际结构模型。其中,点云数据的具体融合方式将在下一实施例中详细阐述,在此不做赘述。
步骤S150、基于所述实际结构模型得到所述待监测站房的实际结构数值。
具体地,实际结构数值可以包括实际尺寸值和实际保护层厚度值。
步骤S160、将所述参考结构模型和所述实际结构模型、将所述参考结构数值和所述实际结构数值分别进行比较,确定所述待监测站房的安全状态。
在一种实施方式中,步骤S160可以具体包括以下步骤:
步骤S161、将所述参考结构模型与所述实际结构模型输入结构比较模型,得到模型相关度。
其中,模型相关度是指两个模型在结构上的相似性。结构比较模型可以是深度神经网络模型。
步骤S162、将所述参考结构数值与所述实际结构数值进行数值比较,得到偏差值。
具体地,可以将参考尺寸值和实际尺寸值进行差值计算,得到尺寸偏差值;将参考保护层厚度值和实际保护层厚度值进行差值计算,得到厚度偏差值;将所述尺寸偏差值和所述厚度偏差值进行归一化处理,得到偏差值。
步骤S163、根据所述模型相关度和所述偏差值确定所述待监测站房的安全状态。
具体地,若所述模型相关度大于等于预设第一阈值,且所述偏差值小于预设第二阈值,则所述待监测站房处于安全状态;若所述模型相关度小于预设第一阈值,且所述偏差值小于预设第二阈值,则所述待监测站房处于存在隐患状态;若所述模型相关度大于等于预设第一阈值,且所述偏差值大于等于预设第二阈值,则所述待监测站房处于次危险状态;若所述模型相关度小于预设第一阈值,且所述偏差值大于等于预设第二阈值,则所述待监测站房处于危险状态。
步骤S164、基于所述安全状态进行分等级预警。
通过该实施方式不仅能够提高***对于状态判断的准确性,同时***能够对站房的结构安全性进行更精确合理的预警。
本实施例中获取待监测站房的参考结构模型,并提取参考结构数值;通过设置的双激光雷达采集第一点云数据和第二点云数据;融合第一点云数据和第二点云数据,得到实际结构模型,并提取实际结构数值;将参考结构模型和实际结构模型、将参考结构数值和实际结构数值分别进行比较,确定安全状态。由此提高结构识别精度,优化站房安全监测的效率和准确性。
实施例二
图2示出了本申请实施例提供的数据融合方法的流程图,请参考图2,具体包括如下步骤:
步骤S210、采集第一点云数据和第二点云数据。
步骤S220、提取所述第一点云数据和所述第二点云数据的重合区域和非重合区域。
其中,由于双激光雷达的设置,采集的第一点云数据和第二点云数据之间必然存在重叠部分和非重叠部分,因此所述重合区域是指两点云数据之间的重叠区域,所述非重合区域是指两点云数据之间的不重叠区域。
步骤S230、融合所述重合区域的点云数据,得到第一子融合数据。
在一种实施方式中,步骤S230可以具体包括以下步骤:
步骤S231、选取所述双激光雷达之间连线的中点作为中心点,建立三维坐标系,包括x轴、y轴和z轴。
步骤S232、获取所述三维坐标系中x轴和y轴构成的第一平面。
步骤S233、确定所述双激光雷达相对于所述第一平面的第一角度和第二角度。
步骤S234、根据所述第一角度,确定所述第一点云数据相对于所述三维坐标系的第一投影矩阵。
步骤S235、根据所述第二角度,确定所述第二点云数据相对于所述三维坐标系的第二投影矩阵。
步骤S236、基于所述第一投影矩阵和所述第二投影矩阵融合所述重合区域的点云数据,得到第一子融合数据。
具体地,通过如下公式得到第一子融合数据:
其中,表示第一角度,/>表示第二角度,α、β表示误差项,/>表示第一投影矩阵,/>表示第二投影矩阵,/>表示重合区域的点云数据,γ表示融合参数。
现有技术中通常将某一点云数据作为基准面进行数据融合,而本实施方式中基于双激光雷达之间连线的中点作为基准面,将第一点云数据和第二点云数据均向该基准面进行投影,由于两个激光雷达的放置位置不同,导致两个点云数据存在角度上的偏差,因此引入全新的融合公式,实现重合区域的数据融合。
步骤S240、融合所述非重合区域的点云数据,得到第二子融合数据。
在一种实施方式中,步骤S240可以具体包括以下步骤:
步骤S241、获取所述第一子融合数据的中心点。
其中,可以采用点云坐标质心计算公式获取所述第一子融合数据的中心点。
步骤S242、根据所述中心点建立基准坐标系,包括x轴、y轴和z轴。
步骤S243、获取第一点云数据中的非重合区域,作为第一非重合区域。
步骤S244、获取第二点云数据中的非重合区域,作为第二非重合区域。
步骤S245、计算所述第一非重合区域和所述第二非重合区域之间的最小距离。
步骤S246、基于所述最小距离以及所述基准坐标系,构建第三投影矩阵和第四投影矩阵。
具体地,将所述第一非重合区域向所述基准坐标系进行正向投影和反向投影,得到第一双投影矩阵;将所述第二非重合区域向所述基准坐标系进行正向投影和反向投影,得到第二双投影矩阵;根据所述最小距离对所述第一双投影矩阵和所述第二双投影矩阵进行平滑处理,得到第三投影矩阵和第四投影矩阵。
步骤S247、基于所述第三投影矩阵和所述第四投影矩阵融合所述非重合区域的点云数据,得到第二子融合数据。
本实施例中两次建立坐标系,首次是基于双激光雷达之间连线的中点建立,二次是基于重合区域的融合数据建立,通过建立合适的投影面提高数据融合准确性。进一步地,考虑到距离和正反向投影对融合精度的影响,采用全新的融合方式实现非重合区域的点云数据融合,由此提高融合数据的平滑性和整体性。
步骤S250、确定所述重合区域和所述非重合区域连接处的边界特征。
其中,将用于划分重合区域和非重合区域的曲线称为所述重合区域和所述非重合区域连接处;边界特征是指目标区域的轮廓或框架。
步骤S260、基于所述边界特征,融合所述重合区域和所述非重合区域连接处得到第三子融合数据。
具体地,提取所述边界特征构建边界特征图;采集待监测站房的空间信息;融合所述空间信息和所述边界特征图,得到第三子融合数据。
步骤S270、根据所述第一子融合数据、所述第二子融合数据以及所述第三子融合数据,得到融合点云数据。
具体地,将所述第一子融合数据、所述第二子融合数据以及所述第三子融合数据进行拼接,得到融合点云数据。
本实施例将点云数据划分为三个区域,对不同区域采用不同的方式进行融合,由此能够提高数据融合的效率和精度。
实施例三
本实施例还提供一种基于双激光雷达数据的站房监测***,如图3所示,该***包括:
参考数据获取模块310,用于获取待监测站房的参考结构模型;基于所述参考结构模型提取参考结构数值。
数据采集模块320,用于所述待监测站房设置有双激光雷达,通过所述双激光雷达采集所述待监测站房的第一点云数据和第二点云数据。
实际数据获取模块330,用于融合所述第一点云数据和所述第二点云数据,得到所述待监测站房的实际结构模型;基于所述实际结构模型得到所述待监测站房的实际结构数值。
状态监测模块340,用于将所述参考结构模型和所述实际结构模型、将所述参考结构数值和所述实际结构数值分别进行比较,确定所述待监测站房的安全状态。
可选地,所述参考结构数值包括参考尺寸值和参考保护层厚度值;所述实际结构数值包括实际尺寸值和实际保护层厚度值。
可选地,所述待监测站房设置有双激光雷达,包括:在所述待监测站房前方的左下角设置一激光雷达;在所述待监测站房后方的右上角设置一激光雷达;其中,所述双激光雷达与所述待监测站房之间的距离为预设距离。
可选地,所述融合所述第一点云数据和所述第二点云数据,得到所述待监测站房的实际结构模型,包括:将所述第一点云数据和所述第二点云数据融合,得到融合点云数据;根据所述融合点云数据构建所述待监测站房的实际结构模型。
可选地,所述将所述第一点云数据和所述第二点云数据融合,得到融合点云数据,包括:提取所述第一点云数据和所述第二点云数据的重合区域和非重合区域;融合所述重合区域的点云数据,得到第一子融合数据;融合所述非重合区域的点云数据,得到第二子融合数据;确定所述重合区域和所述非重合区域连接处的边界特征;基于所述边界特征,融合所述重合区域和所述非重合区域连接处得到第三子融合数据;根据所述第一子融合数据、所述第二子融合数据以及所述第三子融合数据,得到融合点云数据。
可选地,所述融合所述重合区域的点云数据,得到第一子融合数据,包括:选取所述双激光雷达之间连线的中点作为中心点,建立三维坐标系,包括x轴、y轴和z轴;获取所述三维坐标系中x轴和y轴构成的第一平面;确定所述双激光雷达相对于所述第一平面的第一角度和第二角度;根据所述第一角度,确定所述第一点云数据相对于所述三维坐标系的第一投影矩阵;根据所述第二角度,确定所述第二点云数据相对于所述三维坐标系的第二投影矩阵;基于所述第一投影矩阵和所述第二投影矩阵融合所述重合区域的点云数据,得到第一子融合数据;公式如下:
其中,表示第一角度,/>表示第二角度,α、β表示误差项,/>表示第一投影矩阵,/>表示第二投影矩阵,/>表示重合区域的点云数据,γ表示融合参数。
可选地,所述融合所述非重合区域的点云数据,得到第二子融合数据,包括:获取所述第一子融合数据的中心点;根据所述中心点建立基准坐标系,包括x轴、y轴和z轴;根据所述基准坐标系融合所述非重合区域的点云数据,得到第二子融合数据。
可选地,所述状态监测模块340进一步用于:将所述参考结构模型与所述实际结构模型输入结构比较模型,得到模型相关度;将所述参考结构数值与所述实际结构数值进行数值比较,得到偏差值;根据所述模型相关度和所述偏差值确定所述待监测站房的安全状态。
可选地,所述根据所述模型相关度和所述偏差值确定所述待监测站房的安全状态,包括:若所述模型相关度大于等于预设第一阈值,且所述偏差值小于预设第二阈值,则所述待监测站房处于安全状态;若所述模型相关度小于预设第一阈值,且所述偏差值小于预设第二阈值,则所述待监测站房处于存在隐患状态;若所述模型相关度大于等于预设第一阈值,且所述偏差值大于等于预设第二阈值,则所述待监测站房处于次危险状态;若所述模型相关度小于预设第一阈值,且所述偏差值大于等于预设第二阈值,则所述待监测站房处于危险状态。
该***设置双激光雷达,并引入改进的数据融合技术,能够提高站房安全监测的效率和准确性。
通过改进的数据融合技术提高目标识别的精度,该***能够用于辅助识别病害、突发事故以及安全隐患,保障高铁站房的运营安全,提高监管效率和质量。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述装置中模块/单元/子单元/组件的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的实施例中,应该理解到,所揭露装置和方法,可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,又例如,多个单元或组件可以结合或者可以集成到另一个装置,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请提供的实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释,此外,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
最后应说明的是:以上所述实施例,仅为本申请的具体实施方式,用以说明本申请的技术方案,而非对其限制,本申请的保护范围并不局限于此,尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围。都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种基于双激光雷达数据的站房监测方法,其特征在于,包括:
获取待监测站房的参考结构模型;
基于所述参考结构模型提取参考结构数值;
所述待监测站房设置有双激光雷达,通过所述双激光雷达采集所述待监测站房的第一点云数据和第二点云数据;
融合所述第一点云数据和所述第二点云数据,得到所述待监测站房的实际结构模型;
基于所述实际结构模型得到所述待监测站房的实际结构数值;
将所述参考结构模型和所述实际结构模型、将所述参考结构数值和所述实际结构数值分别进行比较,确定所述待监测站房的安全状态。
2.根据权利要求1所述的基于双激光雷达数据的站房监测方法,其特征在于,所述参考结构数值包括参考尺寸值和参考保护层厚度值;所述实际结构数值包括实际尺寸值和实际保护层厚度值。
3.根据权利要求1所述的基于双激光雷达数据的站房监测方法,其特征在于,所述待监测站房设置有双激光雷达,包括:
在所述待监测站房前方的左下角设置一激光雷达;
在所述待监测站房后方的右上角设置一激光雷达;
其中,所述双激光雷达与所述待监测站房之间的距离为预设距离。
4.根据权利要求3所述的基于双激光雷达数据的站房监测方法,其特征在于,所述融合所述第一点云数据和所述第二点云数据,得到所述待监测站房的实际结构模型,包括:
将所述第一点云数据和所述第二点云数据融合,得到融合点云数据;
根据所述融合点云数据构建所述待监测站房的实际结构模型。
5.根据权利要求4所述的基于双激光雷达数据的站房监测方法,其特征在于,所述将所述第一点云数据和所述第二点云数据融合,得到融合点云数据,包括:
提取所述第一点云数据和所述第二点云数据的重合区域和非重合区域;
融合所述重合区域的点云数据,得到第一子融合数据;
融合所述非重合区域的点云数据,得到第二子融合数据;
确定所述重合区域和所述非重合区域连接处的边界特征;
基于所述边界特征,融合所述重合区域和所述非重合区域连接处得到第三子融合数据;
根据所述第一子融合数据、所述第二子融合数据以及所述第三子融合数据,得到融合点云数据。
6.根据权利要求5所述的基于双激光雷达数据的站房监测方法,其特征在于,所述融合所述重合区域的点云数据,得到第一子融合数据,包括:
选取所述双激光雷达之间连线的中点作为中心点,建立三维坐标系,包括x轴、y轴和z轴;
获取所述三维坐标系中x轴和y轴构成的第一平面;
确定所述双激光雷达相对于所述第一平面的第一角度和第二角度;
根据所述第一角度,确定所述第一点云数据相对于所述三维坐标系的第一投影矩阵;
根据所述第二角度,确定所述第二点云数据相对于所述三维坐标系的第二投影矩阵;
基于所述第一投影矩阵和所述第二投影矩阵融合所述重合区域的点云数据,得到第一子融合数据;公式如下:
;
其中,表示第一角度,/>表示第二角度,α、β表示误差项,/>表示第一投影矩阵,表示第二投影矩阵,/>表示重合区域的点云数据,γ表示融合参数。
7.根据权利要求6所述的基于双激光雷达数据的站房监测方法,其特征在于,所述融合所述非重合区域的点云数据,得到第二子融合数据,包括:
获取所述第一子融合数据的中心点;
根据所述中心点建立基准坐标系,包括x轴、y轴和z轴;
根据所述基准坐标系融合所述非重合区域的点云数据,得到第二子融合数据。
8.根据权利要求2所述的基于双激光雷达数据的站房监测方法,其特征在于,所述将所述参考结构模型和所述实际结构模型、将所述参考结构数值和所述实际结构数值分别进行比较,确定所述待监测站房的安全状态,包括:
将所述参考结构模型与所述实际结构模型输入结构比较模型,得到模型相关度;
将所述参考结构数值与所述实际结构数值进行数值比较,得到偏差值;
根据所述模型相关度和所述偏差值确定所述待监测站房的安全状态。
9.根据权利要求8所述的基于双激光雷达数据的站房监测方法,其特征在于,所述根据所述模型相关度和所述偏差值确定所述待监测站房的安全状态,包括:
若所述模型相关度大于等于预设第一阈值,且所述偏差值小于预设第二阈值,则所述待监测站房处于安全状态;
若所述模型相关度小于预设第一阈值,且所述偏差值小于预设第二阈值,则所述待监测站房处于存在隐患状态;
若所述模型相关度大于等于预设第一阈值,且所述偏差值大于等于预设第二阈值,则所述待监测站房处于次危险状态;
若所述模型相关度小于预设第一阈值,且所述偏差值大于等于预设第二阈值,则所述待监测站房处于危险状态。
10.一种基于双激光雷达数据的站房监测***,其特征在于,包括:
参考数据获取模块,用于获取待监测站房的参考结构模型;
基于所述参考结构模型提取参考结构数值;
数据采集模块,用于所述待监测站房设置有双激光雷达,通过所述双激光雷达采集所述待监测站房的第一点云数据和第二点云数据;
实际数据获取模块,用于根据所述第一点云数据和所述第二点云数据,得到所述待监测站房的实际结构模型;
基于所述实际结构模型得到所述待监测站房的实际结构数值;
状态监测模块,用于将所述参考结构模型和所述实际结构模型、将所述参考结构数值和所述实际结构数值分别进行比较,确定所述待监测站房的安全状态。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311082397.9A CN116819559B (zh) | 2023-08-28 | 2023-08-28 | 一种基于双激光雷达数据的站房监测方法和*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311082397.9A CN116819559B (zh) | 2023-08-28 | 2023-08-28 | 一种基于双激光雷达数据的站房监测方法和*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116819559A true CN116819559A (zh) | 2023-09-29 |
CN116819559B CN116819559B (zh) | 2023-11-07 |
Family
ID=88139497
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311082397.9A Active CN116819559B (zh) | 2023-08-28 | 2023-08-28 | 一种基于双激光雷达数据的站房监测方法和*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116819559B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105157590A (zh) * | 2015-05-28 | 2015-12-16 | 张家港江苏科技大学产业技术研究院 | 一种基于三维激光扫描技术的建构物健康监测*** |
CN110929669A (zh) * | 2019-11-29 | 2020-03-27 | 北京百度网讯科技有限公司 | 数据标注方法及装置 |
CN114445585A (zh) * | 2021-07-26 | 2022-05-06 | 北京大成国测科技有限公司 | 站房结构安全监测*** |
CN114459531A (zh) * | 2021-07-26 | 2022-05-10 | 北京大成国测科技有限公司 | 基于气象信息的站房结构安全监测方法、装置及电子设备 |
CN114460599A (zh) * | 2021-07-23 | 2022-05-10 | 北京大成国测科技有限公司 | 基于激光雷达的站房结构安全监测方法、装置及电子设备 |
CN115014371A (zh) * | 2022-05-27 | 2022-09-06 | 河南工业大学 | 一种用于智慧粮库粮食转运车的定位与建图方法、装置及存储介质 |
WO2023084323A1 (zh) * | 2021-11-09 | 2023-05-19 | 商汤国际私人有限公司 | 对象检测方法及装置、电子设备和存储介质 |
-
2023
- 2023-08-28 CN CN202311082397.9A patent/CN116819559B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105157590A (zh) * | 2015-05-28 | 2015-12-16 | 张家港江苏科技大学产业技术研究院 | 一种基于三维激光扫描技术的建构物健康监测*** |
CN110929669A (zh) * | 2019-11-29 | 2020-03-27 | 北京百度网讯科技有限公司 | 数据标注方法及装置 |
CN114460599A (zh) * | 2021-07-23 | 2022-05-10 | 北京大成国测科技有限公司 | 基于激光雷达的站房结构安全监测方法、装置及电子设备 |
CN114445585A (zh) * | 2021-07-26 | 2022-05-06 | 北京大成国测科技有限公司 | 站房结构安全监测*** |
CN114459531A (zh) * | 2021-07-26 | 2022-05-10 | 北京大成国测科技有限公司 | 基于气象信息的站房结构安全监测方法、装置及电子设备 |
WO2023084323A1 (zh) * | 2021-11-09 | 2023-05-19 | 商汤国际私人有限公司 | 对象检测方法及装置、电子设备和存储介质 |
CN115014371A (zh) * | 2022-05-27 | 2022-09-06 | 河南工业大学 | 一种用于智慧粮库粮食转运车的定位与建图方法、装置及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN116819559B (zh) | 2023-11-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111241989B (zh) | 图像识别方法及装置、电子设备 | |
CN112883820B (zh) | 基于激光雷达点云的道路目标3d检测方法及*** | |
CN111308500B (zh) | 基于单线激光雷达的障碍物感知方法、装置和计算机终端 | |
CN114694139B (zh) | 一种数控机床复杂结构件加工特征识别方法及*** | |
CN110992424B (zh) | 基于双目视觉的定位方法和*** | |
CN112161622B (zh) | 一种机器人足迹规划方法、装置、可读存储介质及机器人 | |
CN116127123B (zh) | 基于语义实例关系渐进式海洋遥感图文检索方法 | |
KR20200028210A (ko) | 모바일 맵핑 또는 자율 주행용 플랫폼과 관측 데이터의 구조화를 위한 시스템 | |
CN115392407A (zh) | 基于无监督学习的危险源预警方法、装置、设备及介质 | |
CN115457130A (zh) | 一种基于深度关键点回归的电动汽车充电口检测定位方法 | |
CN113807182B (zh) | 用于处理点云的方法、装置、介质以及电子设备 | |
CN116819559B (zh) | 一种基于双激光雷达数据的站房监测方法和*** | |
CN106980878B (zh) | 三维模型几何风格的确定方法及装置 | |
CN117495891A (zh) | 点云边缘检测方法、装置和电子设备 | |
Li et al. | Nose tip detection on three‐dimensional faces using pose‐invariant differential surface features | |
CN113288611B (zh) | 一种基于电动轮椅行进场景的操作安全保障方法和*** | |
Yang et al. | MLFNet-point cloud semantic segmentation convolution network based on multi-scale feature fusion | |
CN115393816A (zh) | 车道线生成方法、装置、计算机设备和存储介质 | |
Hao | 3D Object Detection from Point Cloud Based on Deep Learning | |
CN106406507A (zh) | 图像处理方法以及电子设备 | |
CN111210297B (zh) | 一种上车点的划分方法及装置 | |
CN114140497A (zh) | 目标车辆3d实时追踪方法及*** | |
Kaleci et al. | Plane segmentation of point cloud data using split and merge based method | |
CN111414992A (zh) | 使用卷积神经网络对图像进行卷积计算的方法和装置 | |
CN112686194B (zh) | 第一人称视角动作识别方法、***及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |